Buchumschlag

GrootVL: Tree Topology is All You Need in State Space Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xiao, Yicheng, Song, Lin, Huang, Shaoli, Wang, Jiangshan, Song, Siyu, Ge, Yixiao, Li, Xiu, Shan, Ying
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

HaploVL: A Single-Transformer Baseline for Multi-Modal Understanding
von: Yang, Rui, et al.
Veröffentlicht: (2025)

HaploOmni: Unified Single Transformer for Multimodal Video Understanding and Generation
von: Xiao, Yicheng, et al.
Veröffentlicht: (2025)

Memory augment is All You Need for image restoration
von: Zhang, Xiao Feng, et al.
Veröffentlicht: (2023)

COVE: Unleashing the Diffusion Feature Correspondence for Consistent Video Editing
von: Wang, Jiangshan, et al.
Veröffentlicht: (2024)

MaTe: Images Are All You Need for Material Transfer via Diffusion Transformer
von: Huang, Nisha, et al.
Veröffentlicht: (2026)

Aligning Latent Spaces with Flow Priors
von: Li, Yizhuo, et al.
Veröffentlicht: (2025)

Realistic Human Motion Generation with Cross-Diffusion Models
von: Ren, Zeping, et al.
Veröffentlicht: (2023)

AnimeGamer: Infinite Anime Life Simulation with Next Game State Prediction
von: Cheng, Junhao, et al.
Veröffentlicht: (2025)

YOLO-World: Real-Time Open-Vocabulary Object Detection
von: Cheng, Tianheng, et al.
Veröffentlicht: (2024)

Divot: Diffusion Powers Video Tokenizer for Comprehension and Generation
von: Ge, Yuying, et al.
Veröffentlicht: (2024)

Meta-Adapter: An Online Few-shot Learner for Vision-Language Model
von: Cheng, Cheng, et al.
Veröffentlicht: (2023)

Image is All You Need to Empower Large-scale Diffusion Models for In-Domain Generation
von: Cao, Pu, et al.
Veröffentlicht: (2023)

From Prediction to Perfection: Introducing Refinement to Autoregressive Image Generation
von: Cheng, Cheng, et al.
Veröffentlicht: (2025)

Pairwise Comparisons Are All You Need
von: Chahine, Nicolas, et al.
Veröffentlicht: (2024)

Positive Label Is All You Need for Multi-Label Classification
von: Yuan, Zhixiang, et al.
Veröffentlicht: (2023)

DiCoDe: Diffusion-Compressed Deep Tokens for Autoregressive Video Generation with Language Models
von: Li, Yizhuo, et al.
Veröffentlicht: (2024)

SEED-Data-Edit Technical Report: A Hybrid Dataset for Instructional Image Editing
von: Ge, Yuying, et al.
Veröffentlicht: (2024)

[MASK] is All You Need
von: Hu, Vincent Tao, et al.
Veröffentlicht: (2024)

SEED-X: Multimodal Models with Unified Multi-granularity Comprehension and Generation
von: Ge, Yuying, et al.
Veröffentlicht: (2024)

Is Hyperbolic Space All You Need for Medical Anomaly Detection?
von: Gonzalez-Jimenez, Alvaro, et al.
Veröffentlicht: (2025)

VL-Mamba: Exploring State Space Models for Multimodal Learning
von: Qiao, Yanyuan, et al.
Veröffentlicht: (2024)

One Snapshot is All You Need: A Generalized Method for mmWave Signal Generation
von: Huang, Teng, et al.
Veröffentlicht: (2025)

Is Intermediate Fusion All You Need for UAV-based Collaborative Perception?
von: Hao, Jiuwu, et al.
Veröffentlicht: (2025)

ParameterNet: Parameters Are All You Need
von: Han, Kai, et al.
Veröffentlicht: (2023)

Boosting Domain Incremental Learning: Selecting the Optimal Parameters is All You Need
von: Wang, Qiang, et al.
Veröffentlicht: (2025)

Emu3: Next-Token Prediction is All You Need
von: Wang, Xinlong, et al.
Veröffentlicht: (2024)

Programmable Motion Generation for Open-Set Motion Control Tasks
von: Liu, Hanchao, et al.
Veröffentlicht: (2024)

Multi-View Representation is What You Need for Point-Cloud Pre-Training
von: Yan, Siming, et al.
Veröffentlicht: (2023)

SVAC: Scaling Is All You Need For Referring Video Object Segmentation
von: Zhang, Li, et al.
Veröffentlicht: (2025)

Zoom and Shift are All You Need
von: Qin, Jiahao
Veröffentlicht: (2024)

UniRepLKNet: A Universal Perception Large-Kernel ConvNet for Audio, Video, Point Cloud, Time-Series and Image Recognition
von: Ding, Xiaohan, et al.
Veröffentlicht: (2023)

Rethinking Multiple Instance Learning for Whole Slide Image Classification: A Good Instance Classifier is All You Need
von: Qu, Linhao, et al.
Veröffentlicht: (2023)

Distraction is All You Need for Multimodal Large Language Model Jailbreaking
von: Yang, Zuopeng, et al.
Veröffentlicht: (2025)

Is Discretization Fusion All You Need for Collaborative Perception?
von: Yang, Kang, et al.
Veröffentlicht: (2025)

Attention Is All You Need For Mixture-of-Depths Routing
von: Gadhikar, Advait, et al.
Veröffentlicht: (2024)

ST-LLM: Large Language Models Are Effective Temporal Learners
von: Liu, Ruyang, et al.
Veröffentlicht: (2024)

SEED-Bench-2-Plus: Benchmarking Multimodal Large Language Models with Text-Rich Visual Comprehension
von: Li, Bohao, et al.
Veröffentlicht: (2024)

ARC-Chapter: Structuring Hour-Long Videos into Navigable Chapters and Hierarchical Summaries
von: Pu, Junfu, et al.
Veröffentlicht: (2025)

AnimeShooter: A Multi-Shot Animation Dataset for Reference-Guided Video Generation
von: Qiu, Lu, et al.
Veröffentlicht: (2025)

Video-Holmes: Can MLLM Think Like Holmes for Complex Video Reasoning?
von: Cheng, Junhao, et al.
Veröffentlicht: (2025)